Evaluating Software Quality Metrics for Enhanced Software Management and Engineering
Notice bibliographique
Résumé
In software, competition in producing high-quality products has become a prominent factor for business success.In this regard, identifying and defining software quality metrics (SQM) to discover and continuously enhance current quality systems is very important.However, it is advisable to study and review current studies in this field, so that it is possible to analyze the current situation, and it also enables us to formulate expectations regarding future research areas.This research is concerned with studying and analyzing a large number of articles, focusing on the research literature published over the past decade.70 research papers, articles, and conference papers were selected and analyzed, published from 2009 to 2023.A detailed description of these researches and their titles SQM was conducted.We used graphics, explanations, and structure design to display the results.The outputs from this research indicate the underlying knowledge in this field and the measurement mechanism and include trends between 2009 and 2023 and the gaps that are supposed to be available for study and development in this field.The study and analysis of articles aim to review studies, direct future studies, and focus on system development.Future studies encourage the adoption of quality metrics.Quality metrics include several areas of development systems, including network performance, and the Cloud of Things, which directs the adoption of more accurate metrics and components reusability, artificial intelligence, model performance, and predictive capacity metrics.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,004 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».